陈 荔，申 健

(长安大学信息与网络管理处，陕西 西安 710064)

1 引言

目前，网络已经变成了人们生活中不可或缺的一部分，其发挥的作用也越来越大。随着网络技术的突飞猛进，网络的功能越来越完善，其内部架构也变得越来越复杂，在复杂网络数据库内，经常存在大量的异常信息或冗余信息，这些信息会占用大量宽带资源，干扰用户的上网体验，甚至会对用户产生经济损失，对网络的安全也造成了较大威胁。所以，怎样对复杂网络数据库内信息资源进行有效的调度，已经成为了计算机网络领域中较为重要的核心问题。

为了解决这种复杂网络数据库内信息资源所带来的困扰，研究者们提出相应的资源调度方法。而信息资源调度方法实际上就是一种分类问题，把信息资源分成重要信息与异常信息，进而实现信息资源的分类[1]。目前阶段，主要的网络数据库内信息资源调度方法有：使用支持向量机、关联规则以及模糊聚类的信息资源调度方法。其中，较为典型的即基于模糊聚类的信息资源调度，方法简便、能效低[2]。

由于网络数据库中信息资源的调度对于确保网络安全具有更为重要的利用价值，因此发展前景更为广阔，同时它也成为众多学者研究的重点课题。但是，依靠现阶段的方法已经很难适应日益复杂的网络环境下信息资源特征的高度动态变化，从而导致网络系统的运行效率和使用上的不方便。因此针对传统算法的缺点，本文提出了一种复杂网络数据库中信息资源的调度方法，通过对信息资源的深度值进行排序，并对信息资源进行基础区分，随后添加信息原则，使其能够被彻底地分类，最后依靠改进的粒子群算法对信息资源进行集群调度。仿真结果证明，本文方法能够有效地对信息资源进行调度，并且分类的过程中不会影响到网络系统的正常运作。

2 复杂网络数据库中信息资源调度方法

2.1 系统设计与问题描述

在复杂网络环境下，构建数据库内信息资源调度模型，复杂网络的多源信息资源服务本体、服务提供者均构建对应的网络环境，在某种程度上完成了资源共享，用户与服务商可以经过间接或直接的形式进行交互，为复杂网络环境下的运行模式提供了强有力的支持[3]。

复杂网络数据库在进行大数据量访问时都存在运算速度不高问题，磁盘与一些硬件设备不能实现高效的读写访问，过长的延时可能会致使系统运行性能的严重下滑[4]。

2.2 复杂网络数据库信息资源特征分析

为了实现复杂网络信息资源的大数据特征集成调度提供数据基础，在信息管理系统里，针对不同的信息源[5]，能够通过ω来表示可信度，拟定第i种信息源的可信度是ωi，获得资源调度置信区间为

m′i([pH，pL])=ωi×mi([pH，pL])

(1)

m′i([0，1])=ωi×mi([0，1])+1-ωi

(2)

针对n种不同的信息源提出命题，拟定FDR代表p，共存在N组先验数据，建造基于复杂网络信息管理资源信息共享网络系统，进而实现复杂网络信息数据节点分裂历史记录方法，获得资源先验分布的描述式为

(3)

每种数据点p，依靠第k距离重新进行排列，这种排列会干扰空间内的数据对象，拟定s={p1，p2，…，pr+1}代表数据对象，r代表ISk(p)的元素总量，e={e1，e2，…，er}代表与之相对应的相似k距离邻居序列轨迹。拟定s={p1，p2，…，pr+1}代表数据对象p的相似k距离邻居序列，r代表ISk(p)的元素总量，e={e1，e2，…，er}代表与之相对应的相似k的距离邻居序列轨迹，那么p的链距离，能够描述成c-distance(p)，定义如下

(4)

(5)

经过上述方法，系统使用的是树形架构设计，进一步，设计子网格分区，对资源信息流进行信号模型建造，为最后实现对复杂网络信息管理资源的稀疏性聚类调度提供精确的数据基础。

2.3 约束关系处理

在同一种资源上启动的两种信息资源都要满足DAG图规定的逻辑关联，如果Si，Sj都在某种序列内，且Si，Sj满足Si→Sj，那么任务i要在j之间运行。但是如果序列内信息j先于信息i启动，那么就会产生死锁状态。所以一定要利用适当的方法，来免除死锁状态的发生。

2.3.1 深度值排序

上述的全部信息资源之间的逻辑关联可以依靠一张DAG图进行表示，设定对DAG图进行分层处理，每层具有自身一定的深度值，深度值越小，就说明优先级越高，深度值的运算方程如下所示。

(6)

式中，parent(sbi)传输的是信息sbi的父节点集合，max(level(parent(sbi)))的传输值是sbi父节点集合里具有最大深度值的父节点，可以凭借深度遍历的方法获得DAG图节点的深度信息[6]。采集复杂网络深度信息后，对运行同等数据库上的信息序列，就可以依靠层次深度值从小到大进行排列，这样优先级越高的信息资源，在运行时顺序就会靠前，对于同种数据库上的所有信息，经过排序之后得到的信息资源运行序列就不会出现死锁状态的发生。

2.3.2 短资源优先原则

在同一数据库上启动不同深度值的信息，依靠深度值排序可以保证信息之间数据逻辑关联的合法性，但是同等深度值的信息之间不具有依赖关联，可以并行运行[7]。如果在数据库内出现了多个同等深度值的信息，它们会以任意的次序运行，可能会致使堵塞的状态发生，信息sb3，sb4，sb5的深度值同等，且它们占用的资源状况是不存在序列的，那么信息sb4将被信息sb3堵塞，并且因为信息sb6是信息sb4的子节点，因此sb6也会出现堵塞状况，如果对数据库上运行的同深度值可以并行的子信息，使用短信息有限的调度原则，短信息会被有限运行，就能够解决长信息堵塞短信息的问题，即假如sb4优先于sb3运行，那么sb6与sb3能够并行运，信息R0上子信息的启动的时间不变，而信息R2上的启动时间由于sb6的提前启动而缩减[8]。

2.3.3 父节点优先原则

对于一些子信息节点，其本身即父节点，具有自己的子节点，也可能不存在子节点，或是本身即子节点[9]。针对一组在数据库上可以并行的子信息，除了要考虑其运行的时长外，还需要考虑它们是否具有自己的子节点，存在子节点的子信息会优先运行，拟定子信息sb3，sb4，sb5具有同等的深度值，子信息占据的资源也是同等的，sb4具有子节点，sb3本身即子节点，这时由于sb3有限运行，所以sb6的运行就会被堵塞，如果提前运行sb4，那么sb6，sb3就可以并行运行，信息R0上的子信息的运行时间不变，而信息R2上的运行时间因为sb6的提前运行而出现减少。

2.4 适应值计算

依靠上述的有限原则，对每一种信息凭借资源编号进行区分，得到所有信息上启动的子信息集合，依据上述的原则取得所有信息上子信息的运行序列，利用子信息之间的逻辑关联和子信息的运行序列，就可以运算出信息资源完成该资源上所有任务需要消耗的时间，取最大消耗时间的倒数描述适应值的大小，因此消耗的时间越长，适应值就会越小[10]。

运算适应值要先运算全部任务的完成时间，设定任务i在信息j上的消耗时间为fin[i][j]，那么

fin[i][j]=start[i][j]+E[i][j]

(7)

式中，start[i][j]代表任务i在信息j上的运行开始时间，start[i][j]通过三种因素评定：信息的空闲时间、任务i的父节点最晚消耗时间、最晚父节点任务所在的信息资源与任务i所在的资源之间的通信延迟，估算公式如下所示：

start[i][j]=max{r[j]max(fin(p(i)))+Tr[m][j]}

(8)

式中，r[j]代表信息资源j上最近一次空闲时间，max(fin(p(i)))返回值为任务i的每一种父节点任务完成时间的最大值，Tr[m][j]代表该父节点所处信息资源m与任务所处信息资源j之间存在的通信延迟。

2.5 基于PSO的复杂网络信息资源调度

PSO方法具有较多的优点，但是因为传统方法随机性较大，所以存在较多不完善的地方，本文主要从动态多群体协作与变异粒子逆向飞行两种方向进行优化改进。动态多群体协作提高了算法的收敛效率与求解精度，变异粒子逆向飞行可以在一定程度上剔除陷入局部最优的影响，维持与增加了种群的多样性，对调节系统的负载平衡具有一定的帮助[11]。这种改进粒子群优化方法，复杂网络集群可以完成信息交互、资源搜索、次群推荐最优资源至主群、变异粒子逆向飞行与主群筛选全局最优。

2.5.1 改进粒子群优化方法

针对每个资源请求者，复杂网络集群一定要推荐出一种比较优质的资源。每一代，所有子群都会把最优的单独信息传送至主群，主群从中挑选最优子群个体并优化。方法内主、次群的架构如图1所示。

图1 主、次群体架构

主群方法公式如下

(9)

2.5.2 信息资源调度

在复杂网络平台上，具有一种Datacenter类的软件对主机体进行管理，这些主机体遵照一定的分配策略能够被分配到多种或一种虚拟机内，它们能够模拟与复杂网络存在关联的基础设施服务。因此，在平台上不需要基础设施，可以优先考虑集群资源调度策略。整体的复杂网络数据库集群，首先需要初始化虚拟资源池，将资源池分为n种，其中，1为主群，n-1为次群。运行多群协作方法，主群运行式(8)与(9)，ω经过式(10)线性递减获得

(10)

式中，ω∈[0.4，0.9]，ωs=0.4，ωe=0.9，T代表最大的迭代数量，t代表目前的迭代次数。

出现下一代主群与次群离子的当前坐标、搜索速度、全局最优坐标与最优坐标，之后产生变异粒子，变异粒子的总量由随机数产生。更改方向逆向飞行，更新整体信息量，如果没有到达最优解或是没到达迭代阈值，就继续进行迭代。为了确保资源在分配时能够保持负载平衡，变异粒子逆向飞行时，给其增添权重因子，测量节点网络，导致负载失衡。

二是企业内部市场开发工作的学习活动不系统，很多企业或者部门忙着抓生产而忽视了市场开发活动，把经济效益放在第一位，而当时效益不那么明显的市场开发工作放在后面，造成企业内部人员矛盾重重，市场开发没有影响力和号召力，遇到问题的时候一盘散沙，无法真正处理和解决问题，影响了企业的公信力［1］。

3 仿真证明

仿真环境为Intel Celeron Tulatin1GHz CPU和384MB SD内存的硬件环境和MATLAB6.1的软件环境。

为了证明本文方法的实用性，拟定实验模型，如图2所示。

图2 实验模型

首先利用查询产生器凭借随机数搜索查询与其所需处理的节点，之后将搜索到的查询信息传送到查询队列里，为了让查询队列内不存在太多查询，在查询队列的前面设定调度窗口，只有进入调度窗口内查询才会进入下次调度，最后使用本文调度方法，从调度窗口内搜索能够共同运行的查询组合，将选取的查询传输到服务单元里运行。

首先设定调度窗口的尺寸为33，每次调度是查询队列前的33个查询，节点的数量分别是17、33、65与129，通过本文方法与传统方法的对比来验证，不同方法在调度信息资源时对系统利用率的影响，结果如图3所示。

图3 不同方法调度信息资源时对系统利用率的影响

通过图3能够看出，本文方法存在较好的系统利用率。为了了解调度窗口的大小对系统效率的干扰，把处理节点数量固定成33，然后改变调度窗口的大小，结果如图4所示。

图4 不同方法的调度窗口对系统利用率的影响

算法系统利用率均随窗口大小的增大而上升，因随窗口大小的增加，调度存在了更多的查询选择空间，因此可以找到更为优质的查询组合，其中，本文方法的效率最高，在大多数状况下，能够使用到所有处理节点，很少会出现闲置处理的节点。

4 结束语

为了降低复杂网络中节点查询量的负载情况，提升网络系统的处理效率，本文提出了一种复杂网络数据库中信息资源的调度方法。

1)构建短资源优先原则与父节点优先原则，凭借上述的有限原则，对每一种信息凭借资源编号进行分类，获得每种信息上运行的子信息集合。

2)对传统的PSO方法进行优化，并将优化后的算法添加上述原则，依靠该算法对信息集合进行集群调度。

3)本文方法能够有效地对信息资源进行调度，存在较好的系统利用率。

4)本文方法的调度效率最高，在大多数状况下，能够使用到所有处理节点，很少会出现闲置处理的节点。